目标检测中的CIoU Loss边框回归损失函数：原理剖析与实战优化

1次阅读

没有评论

共计 1559 个字符，预计需要花费 4 分钟才能阅读完成。

在目标检测任务中，边框回归的精度直接影响模型性能。传统 IoU Loss 存在两个主要问题：

梯度消失 ：当预测框与真实框不相交时，IoU 为零，导致梯度无法回传
几何因素忽视 ：仅考虑重叠区域，未考虑中心点距离和长宽比一致性

CIoU Loss 在 IoU 基础上引入两个惩罚项：

$$\mathcal{L}_{CIoU} = 1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v$$

其中：
– $\rho$ 表示中心点欧氏距离
– $c$ 是最小包围框对角线长度
– $v$ 衡量长宽比一致性：

$$v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$$

def ciou_loss(pred, target, eps=1e-7):
    # 预测框与真实框坐标转换
    pred_left = pred[:, 0] - pred[:, 2]/2
    pred_top = pred[:, 1] - pred[:, 3]/2
    ...

    # IoU 计算（含 epsilon 防除零）inter_area = (torch.min(pred_right, target_right) - torch.max(pred_left, target_left)).clamp(0) * \
                 (torch.min(pred_bottom, target_bottom) - torch.max(pred_top, target_top)).clamp(0)
    union_area = pred_area + target_area - inter_area + eps
    iou = inter_area / union_area

    # 中心点距离惩罚项
    center_distance = (pred_center - target_center).pow(2).sum(dim=1)
    enclosing_diagonal = (enclosing_right - enclosing_left).pow(2) + \
                         (enclosing_bottom - enclosing_top).pow(2)
    distance_penalty = center_distance / (enclosing_diagonal + eps)

    # 长宽比一致性项
    arctan_pred = torch.atan2(pred[:, 2], pred[:, 3])
    arctan_target = torch.atan2(target[:, 2], target[:, 3])
    v = 4 / (math.pi ** 2) * (arctan_pred - arctan_target).pow(2)
    alpha = v / (1 - iou + v + eps)

    return 1 - iou + distance_penalty + alpha * v